Quantifying the uncertainty of electric vehicle charging

Cette publication présente plusieurs algorithmes de prévision probabiliste visant à comprendre et à prédire les comportements de recharge des véhicules électriques pour optimiser l'exploitation du réseau et garantir l'équilibre entre la demande et la production d'électricité. Trois types d’approches, à différents horizons de temps, y sont étudiées : approches directes, ascendantes et adaptatives. Les résultats, obtenus à partir de données réelles, montrent l’efficacité de ces techniques de prévision probabiliste et l’importance de quantifier l’incertitude pour optimiser la gestion de charge des véhicules électriques.

L’essor rapide de la mobilité électrique transforme la demande d’électricité. Les comportements de recharge sont variables, souvent simultanés (fin de journée, lieux de travail, etc.) et peuvent créer des pics de consommation. Anticiper ces dynamiques est donc essentiel pour :

• Garantir la stabilité du réseau et éviter les congestions locales.
• Optimiser la planification de production et de distribution, notamment avec l’intégration des renouvelables.
• Réduire les coûts d’exploitation en limitant les surdimensionnements d’infrastructures.
• Préparer et piloter les offres de recharge intelligentes (smart charging).

Comment EDF va pouvoir utiliser les travaux de cette publication ?

1. Pour améliorer les prévisions de charge sur le réseau liées aux véhicules électriques
   Les modèles présentés (directs, ascendantes, adaptatifs) peuvent être intégrés dans les outils d’optimisation du système électrique. Ils peuvent également servir à mener des études de simulation pour analyser l’impact de différents scénarios d’adoption des véhicules électriques.
2. Pour optimiser le pilotage des bornes de recharge
   Les prévisions probabilistes permettent d’ajuster les stratégies de smart charging, les incitations tarifaires (heures creuses, effacement, etc.), l’usage de la flexibilité pour équilibrer le réseau.
3. Pour développer de nouveaux services aux clients
   Ces modèles peuvent contribuer à proposer des solutions de recharge optimisées, fournir des garanties de performance aux flottes d’entreprise, améliorer les prévisions utilisées dans les offres de mobilité électrique.

La transition vers les véhicules électriques (VE) présente à la fois des défis et des opportunités pour la gestion des réseaux électriques. Cet article se concentre sur le développement et l'évaluation d'algorithmes de prévision probabiliste visant à comprendre et à prédire les comportements de recharge des VE, ce qui est essentiel pour optimiser l'exploitation du réseau et garantir l'équilibre entre la demande et la production d'électricité. Plusieurs approches de prévision adaptées à différents horizons temporels sont proposées dans diverses classes de modèles, notamment des approches directes, ascendantes et adaptatives. Dans toutes les approches, la variable cible peut être les quantiles de la courbe de charge de 0,1 à 0,9 par incréments de 0,1 ou des ensembles de prévisions avec une couverture cible de 80 %. Les approches directes apprennent à partir des courbes de charge passées en utilisant les méthodes GAMLSS ou QGAM. Les approches ascendantes prédisent les caractéristiques individuelles des sessions de recharge (heure d'arrivée, durée de recharge et demande en énergie) à l'aide de modèles de mélanges avant de reconstruire la courbe de charge. Les approches adaptatives corrigent en temps réel les ensembles de prévisions générés par les approches directes ou ascendantes à l'aide de prévisions conformes. Les expériences, menées sur des données réelles de sessions de recharge provenant de Palo Alto, démontrent l'efficacité des méthodes proposées au regard de différents indicateurs, notamment la perte de pinball, la couverture empirique et le RPS. Dans l'ensemble, les résultats soulignent l'importance de quantifier l'incertitude dans les prévisions de charge et le potentiel des prévisions probabilistes pour la gestion de la charge des véhicules électriques.

Yvenn Amara-Ouali a obtenu son doctorat en statistiques et machine learning à l’Université Paris-Saclay en 2022. Il est maintenant ingénieur-chercheur à la R&D d’EDF, pilote du projet Energy Data Lab (IA et prévision). Il est également professeur associé au sein de l’université Paris-Saclay en Deep Learning. Ses travaux de recherche portent en particulier sur les modèles génératifs et leurs applications au marché de l’électricité.

Bachir Hamrouche a intégré EDF en 2014 après l’obtention de son diplôme d’ingénieur en mathématiques appliquées à Supélec. D’abord en co-recrutement entre R&D et DTG, il a rejoint l'équipe « Prévision de Consommation » du département OSIRIS en 2019. Il y travaille depuis en tant qu'ingénieur-chercheur sur la prévision de séries temporelles appliquée à la mobilité électrique, à la consommation locale (Enedis) et à la valorisation de batteries.  

Guillaume Principato actuellement en troisième année de thèse CIFRE au Laboratoire de Mathématiques d’Orsay et à EDF, sous la direction de Gilles Stoltz et Jean-Michel Poggi. Ses travaux portent notamment sur la quantification d’incertitude des modèles de prévision à partir de méthodes statistiques et d'outils d’apprentissage séquentiel. 

Yannig Goude a obtenu son doctorat en statistiques et probabilités à l'Université Paris-Sud Orsay en 2008. Il est actuellement chercheur senior en science des données à la R&D d’EDF et maître de conférences à l'Université Paris-Sud Orsay. Ses travaux de recherche portent notamment sur la prévision de séries chronologiques pour les marchés de l'électricité, l'analyse de séries chronologiques, les modèles non paramétriques et l'agrégation d'experts.